✨ 要点🔬 技术摘要
在医学影像领域，计算机在观察人体内部结构方面已变得异常出色。它们可以扫描组织、细胞和器官的照片，以发现人类肉眼可能忽略的疾病迹象。为了让这些计算机发挥作用，科学家们构建了从数千个案例中学习的数字模型。然而，创建一个足够可靠且值得信赖的模型是一个缓慢、困难且昂贵的过程。这需要人类专家阅读无数的研究论文，编写复杂的计算机代码，运行数千次测试，并一遍又一遍地调整参数。这种试错循环非常耗时，以至于仅仅为了针对一个新的医学问题建立一个可靠的初始起点，往往就需要花费数周或数月的时间。当今研究人员面临的问题是，计算机是否可以学会承担这些繁重的工作，作为一个能够处理琐碎工作的伙伴，让专家能够专注于更宏观的全局。
一组研究人员开发了一种新的方法来回答这个问题，他们将这个系统称为“AI科学家”。他们并没有要求计算机仅仅去猜测最佳设置，而是构建了一个模仿人类研究人员思维模式的工作流。该过程始于计算机阅读科学文献以理解特定的医学问题，就像学生在考试前通过学习来备考一样。随后，它利用这些知识编写训练模型所需的初始计算机代码。但该系统并未止步于此。它进入了一个主动实验阶段，即提出一项变更、运行一次测试并仔细分析结果。如果变更有效，系统就会保留它；如果变更无效，系统会将这次失败记录为有价值的信息，并尝试其他方案。这个循环在由“哪些做法有效”以及“哪些做法无效”构成的持久记录引导下不断重复，直到计算机构建出一个可用于现实世界的稳健模型。
研究人员在四种不同的医学挑战上测试了这种方法，范围涵盖了从寻找特定类型的细胞到检测组织样本中的肿瘤。他们并没有为每个任务重新设计系统；相反，他们使用同一套技能来应对截然不同的问题。在每种情况下，计算机都从基于现有研究的基础方案开始，然后通过自身的实验进行改进。结果令人瞩目。在一项识别组织结构的挑战中，该系统生成的模型在15支队伍中排名第六。在另一项涉及MILK10k挑战样本分类的任务中，它在125份提交的作品中排名第三十一。或许最令人印象深刻的是，当在涉及不同动物物种和各种类型医学扫描仪的数据集上进行测试时，该模型表现得非常稳定，这表明它学习到的是通用原则，而非仅仅是死记硬背训练数据。
这项成就的意义不仅在于最终的排名，还在于过程的速度和效率。从原始数据到完成模型的整个工作流仅耗时两到七天。在此期间，有一名人类研究人员在场监督整个过程，审查计算机的计划并启动实验，但实际的编码工作以及优化模型所需的数千个微小决策均由计算机处理。该系统证明了它能够在复杂的医学影像开发领域中航行而不迷失方向，利用自身实验的证据来指导下一步行动。它成功避开了无效路径，并加倍投入到显示出前景的策略中，有效地实现了原本消耗大量时间的工程化努力的自动化。
这项研究表明，这种基于技能的方法代表了迈向未来的一项实践性步骤，即人工智能可以在整个模型开发生命周期中为科学家提供支持。通过接管实现和调优等重复性任务，该系统使人类专家能够专注于更深层的科学推理、新假设的生成以及结果的临床解释。虽然该系统尚未实现完全自主，仍需要人类监督以确保安全性和有效性，但结果表明，一种结构化的、以证据为驱动的工作流可以显著降低开发具有竞争力的医学影像工具的门槛。这项工作表明，计算机确实可以学会构建稳健的基准模型，将曾经需要数月专家劳动的过程缩短为短短几天，同时在各种多样且困难的医学任务中保持高水平的表现。
技术总结：编码智能体能否构建鲁棒的基准模型？
问题陈述
开发具有竞争力的医学影像深度学习基准模型仍然是一个高度迭代、依赖专业知识的过程。它需要一系列复杂的、相互依赖的决策，涵盖了预处理、架构选择、优化、数据增强、损失函数设计以及评估。这些任务既需要临床知识，也需要机器学习领域的专业知识，使得基准模型的开发成本高昂、耗时且难以规模化。虽然之前的自动化尝试解决了孤立的阶段——例如超参数优化、神经架构搜索或自动数据增强——但它们往往无法将这些组件整合到一个针对医学影像定制的统一工作流中。此外，现有的基于大语言模型（LLM）的智能体通常作为通用的研究助手，而非用于端到端基准生成专门化的流水线。
方法论
作者提出了一种智能体 AI 科学家工作流（agentic AI Scientist workflow） ，该工作流集成了文献引导的规划、自动化实现和假设驱动的实验。该框架构建在一种“基于技能”的方法之上，通过具有明确输入和输出的独立 LLM 驱动技能来编排开发过程。该工作流由三个顺序执行的流水线组成：
SOTA 知识流水线（SOTA Knowledge Pipeline）： 该流水线将原始数据集转化为初始开发计划。它从临床和机器学习的双重视角进行分析，以识别关键挑战和数据集特征。它通过合成相关的文献和挑战报告，在设计轴（架构、优化、增强、损失函数）上对比证据。不确定或存在冲突的建议会被转化为实验假设。该流水线还会检查代码库，以识别可重用的组件与需要实现的组件。模型设置流水线（Model Setup Pipeline）： 基于开发计划，该流水线配置执行环境，并实现特定的数据加载、预处理、模型架构、优化策略、损失函数和评估指标。它将这些组件集成到一个共享的 PyTorch Lightning 框架中。值得注意的是，数据增强策略在此阶段被排除在外，因为它们将在随后的实验阶段进行优化。实验流水线（Experimentation Pipeline）： 该流水线通过证据驱动的实验迭代地改进基准模型。它并非在不受限制的超参数空间中进行搜索，而是遵循科学工作流：
假设生成： 它定义评估标准并测试假设，优先考虑受文献支持的替代方案。结构化执行： 使用基于规则的逻辑选择下一个待评估的组件，并使用可重用的模板定义实验结构。证据追踪： 一个持久的**实验树（experiment tree）**记录了正向和负向证据。被拒绝的实验作为负向证据被保留下来，用以指导未来的决策，防止智能体重新回到无效的方向。约束条件： 流水线通过基于图像的检查和文献约束，估算临床上合理的参数范围用于数据增强，以确保变化的真实性。
整个过程使用 Claude Code （具体为 Claude Sonnet 4 模型）进行编排，各项技能通过使用结构化 Markdown、YAML 和 CSV 构件的任务特定提示模板进行交换。通过轻量级的评审检查点维持人类监督，研究人员在此验证构件并启动建议的实验，尽管在报告的实验中并未要求手动修改代码。
核心贡献
统一的智能体工作流： 本文提出了一个新颖的框架，将文献综述、代码生成和假设驱动的实验结合成一个针对医学影像的连贯流水线，超越了孤立的自动化任务。基于技能的架构： 系统将开发过程分解为专门的、可重用的技能（数据描述、数据准备、SOTA 知识、模型设置、实验），这些技能基于结构化构件运行，确保了透明度和可复现性。持久的实验树： 与主要记录元数据的标准实验追踪工具（如 MLflow、Weights & Biases）不同，该工作流维护了一个包含接受和拒绝的实验证据的结构化树，以主动为未来的决策提供信息。跨任务泛化： 该工作流旨在适应异构任务（分割、分类、检测），而无需对底层智能体逻辑进行任务特定的重新设计。
结果
该框架在四个公开医学影像基准测试上进行了评估：PUMA （组织分割和细胞核检测）、MILK10k （分类）以及 MIDOG25 （非典型有丝分裂检测）。
性能提升： 在所有任务中，实验流水线一致地提升了验证性能。最大的增益出现在“实验探索”阶段，特别是通过架构探索。排行榜排名：
PUMA： 在组织分割和细胞核检测两个赛道中均取得了 15 支队伍中的第 6 名 。MILK10k： 在未利用外部数据集的方法中取得了 125 份提交中的第 31 名 。MIDOG25： 生成的模型在不同扫描仪、肿瘤类型和物种之间表现出强大的领域泛化能力，实现了 0.855 的验证 F1 值和 0.847 的留出测试 F1 值。
效率： 该工作流在 2–7 天 内（从第一次训练运行到最终选择的时间）生成了具有竞争力的基准模型，显著减少了工程投入。优化过程： 实验树成功引导智能体修正了最初基于文献的决策（例如，更改模型架构），同时验证了其他决策（例如，优化策略）。例如，在 MIDOG25 上，通过 30 次实验（其中 17 次被接受，13 次被拒绝），验证 F1 从 0.757 提升到了 0.855。
意义与主张
作者声称，基于技能且受文献引导的智能体工作流可以显著减少开发具有竞争力的医学影像基准模型所需的工程投入 ，同时保持高性能。研究表明，此类工作流可以：
自动化大部分机器学习开发生命周期 ，将研究者的角色从实现转向监督和科学推理。产生鲁棒、可复现的基准模型 ，这些模型可以在无需专门领域自适应策略的情况下，在多样化的医学影像领域中实现泛化。为实现可扩展的医学影像研究提供一条切实路径 ，使专家能够专注于假设生成和临床解释。
论文谦虚地指出，其评估的是集成工作流，而非通过消融实验隔离单个组件。论文也承认了一些局限性，例如使用了单一随机种子、缺乏在相同预算下与人工开发的基准模型进行对比，以及目前智能体无法自主重新设计工作流或针对意外发现重新审视文献。尽管如此，结果表明，结构化的 AI 科学家工作流是实现医学影像领域复杂、迭代科学过程自动化的可行方法。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。